1. 扎实的数学基础：计算机视觉涉及大量的数学知识，如线性代数、概率论、统计学等。例如，在图像识别中，需要用到矩阵运算来处理图像数据，概率论和统计学则用于模型的训练和评估。

2. 编程语言能力：熟练掌握至少一种编程语言，如Python、C++等。Python因其丰富的科学计算库（如NumPy、SciPy）和机器学习库（如Scikit-learn、TensorFlow、PyTorch）而在计算机视觉领域应用广泛。

3. 图像处理基础：了解传统的图像处理技术，如图像滤波、边缘检测、形态学操作等。这些技术在计算机视觉的预处理阶段非常重要，例如在进行目标检测前，需要对图像进行滤波去噪处理。

4. 机器学习和深度学习知识：计算机视觉与机器学习、深度学习紧密结合。需要掌握常见的机器学习算法，如支持向量机（SVM）、决策树等，以及深度学习中的卷积神经网络（CNN）、循环神经网络（RNN）等模型。例如，CNN在图像分类、目标检测等任务中取得了巨大的成功。

5. 计算机视觉库和工具：熟悉并能够使用一些常用的计算机视觉库和工具，如OpenCV、Scikit-Image等。OpenCV提供了丰富的图像处理和计算机视觉算法，能够快速实现各种视觉任务。

6. 实践项目经验：具备一定的实践项目经验，能够将理论知识应用到实际问题中。例如，参与过图像识别、视频分析等相关项目，了解项目的开发流程和实际应用场景。

7. 研究能力：对于在职博士报考者，通常要求具备一定的研究能力，包括文献阅读、实验设计、数据分析等能力。能够独立开展研究工作，解决实际问题。

8. 跨学科合作能力：计算机视觉技术常常涉及多个学科领域的交叉应用，如生物学、医学、自动驾驶等。具备跨学科合作的能力，能够与不同领域的专家进行有效的沟通和合作，是非常重要的。

以上是报考在职博士计算机视觉技术相关专业时通常需要具备的能力。具体要求可能会因学校和专业方向的不同而有所差异，建议在报考前详细阅读招生简章和相关要求。